LOAM進行點雲地圖創建

LOAM 原理簡述

論文地址 : LOAM: Lidar Odometry and Mapping in Real-time
作者主頁: Ji Zhang, Ph.D 其中有作者所有的相關論文，並且都附有 Video， 感興趣的可以去查看。
Google Scholar

作者想解決的問題： 構建低漂移的里程計。論文完成的工作是使用3D激光雷達構建出的里程計構來建三維點雲地圖。 但是作者的目標是縮小激光里程計的漂移和計算量，重點並不是構建出三維地圖，所以作者沒有考慮迴環問題（loop closure）。

作者實現的方法 ： 作者的思路同SLAM（simulanteous localization and mapping）的思路一致，算法思路如下圖

主要經過以下幾個步驟

1. Point Cloud Registration - 接收激光數據，完成點雲的註冊和特徵點雲（邊和麪）提取。
2. Lidar Odometry - 通過特徵點雲的匹配以10hz頻率發佈一個里程計。此時的里程計精度並不高。
3. Lidar Mapping - 接收里程計信息和當前點雲數據，基於粗匹配的里程計位姿進行精匹配，根據估計出的位姿將點雲註冊到地圖中，並按照1hz發佈更新後的位姿。
4. Transform Integration - 接收 lidar odometry 和 lidar mapping 發佈的位姿信息，以10hz 的頻率發佈里程計信息。

topic關係

運行 'rosrun rqt_graph rqt_graph, 我們可以查看各個 topic 和節點的關係。

算法分析

• 如何選取特徵點 邊點（edge point）和平面點 （planar point）
  作者首先定義了一個衡量點平滑度的公式 , 通過測量點兩邊的距離差異，來衡量該點的平滑程度。c值最大的點將作爲邊點而cz值最小的點爲平面點。 將360度分爲四個區域，每個區域最多產生兩個邊點和四個平面點。這些邊點和平面點如下圖所示。
  這些提取出來的點作爲特徵點來完成前後幀的匹配，來估計自身的位姿。
  
• 構建損失函數 特徵點選取後， 根據 tf 關係轉換到 map 座標系下，在map 中尋找最近的 邊點和平面點, 將兩個最近的邊點和平面點當成對應點構建一個轉換矩陣，（t_x, t_y, t_z, theta)， 對該轉換舉證求雅克比，使用高斯牛頓法縮小損失函數直至收斂。

算法僞代碼

===========
未完待續！！！

• 矩陣的轉換和實現
• 算法結果

LOAM 建圖實踐

創建你的 ROS Workspace

$ mkdir -p ~/catkin_ws/src
$ cd ~/catkin_ws/
$ catkin_make
$ source devel/setup.bash

下載LOAM Package

$ cd ~/catkin_ws/src
$ git clone https://github.com/laboshinl/loam_velodyne.git 
$ cd ..
$ catkin_make -DCMAKE_BUILD_TYPE=Release
$ source ~/catkin_ws/devel/setup.bash     

下載數據包

$ wget http://www.aisl.cs.tut.ac.jp/databases/hdl_graph_slam/hdl_400.bag.tar.gz
$ tar -axvf hdl_400.bag.tar.gz

運行 LOAM

$ roslaunch loam_velodyne loam_velodyne.launch
$ rosbap play hdl_400.bag

運行結果